一种多风电场发电时序模拟场景构建方法与流程

本发明属于新能源发电技术领域，特别涉及一种多风电场发电时序模拟场景构建方法。

背景技术：

目前常用的新能源消纳能力评估方法是时序生产模拟法，时序仿真法计算精度高，物理意义清晰。然而关于计及多风电场相关性的时序生产模拟法研究较少，存在较多问题亟待解决。首先，传统的小波分解重构算法在高频段的分辨率较差，使得滤波效果不理想；其次，传统时序仿真法多采用高斯函数拟合风电波动过程，但由于风电波动过程并不对称，必然存在上升快而下降慢，亦或是上升慢而下降慢的情况，此类情况都是高斯函数无法解决的，必然存在较大误差；同时，单一的copula函数无法准确刻画多风电场之间复杂的相关性。

技术实现要素：

本发明的目的在于提供一种多风电场发电时序模拟场景构建方法，以解决上述存在的一个或多个技术问题。本发明的多风电场发电时序模拟场景构建方法，考虑时空相关性和波动时移特性，能够同时模拟多风电场历史出力的变化规律，可为评估电力系统消纳新能源的能力提供准确的数据支持。

为达到上述目的，本发明采用以下技术方案：

一种多风电场发电时序模拟场景构建方法，包括以下步骤：

s1，采集多风电场历史出力数据，获得历史风电序列pn(t)，时间分辨率为t；

s2，将历史风电序列pn(t)分解为低频趋势序列pl(t)和高频随机序列ph(t)两部分；

s3，对不同风电场的低频趋势序列pl(t)进行风电波动配对；

s4，统计不同风电波动过程的上升和下降持续时间，获得体现波动时移特性的时间参数集合上升持续时间集合{trise}和下降持续时间集合{tfall}；

s5，采用logistic函数对配对的风电波动过程进行拟合，得到拟合参数分别为波动幅度{l}、上升陡度{krise}和下降陡度{kfall}；

s6，建立波动拟合参数{l}、{krise}、{kfall}和波动时移特性参数{trise}、{tfall}的最优copula函数模型；

s7，从步骤s6构建的函数模型中抽取参数，构建所述多风电场的发电时序模拟场景pm(t)。

本发明的进一步改进在于，步骤s1还包括：采用最小最大值标准化对历史出力数据进行归一化处理。

本发明的进一步改进在于，步骤s2具体包括：基于自适应小波包分解算法，将历史风电序列pn(t)分解为低频趋势序列pl(t)和高频随机序列ph(t)两部分。

本发明的进一步改进在于，步骤s2具体包括：基于自适应小波包分解算法，对历史风电序列pn(t)进行n层分解，并重构第n层2ⁿ个频段的功率分量，得到相应的低频部分pl(t)和高频部分ph(t)，每个频段的带宽为f0；其中，f0＝fs/2ⁿ⁺¹，式中：fs为信号采样频率，n为小波包分解层数；

同时，以风电并入电网的波动标准对历史风电功率进行判断，循环加深分解层数，确定最优分解层数n，实现历史风电序列的自适应分解。

本发明的进一步改进在于，步骤s3具体包括：对比不同风电场的各个波动过程，若两个风电场的波动峰值均处于对方波动过程内，则将这两个波动过程进行配对。

本发明的进一步改进在于，步骤s4通过统计波动的上升和下降持续时间来分析风电时移特性具体包括：

首先，统计低频趋势序列pl(t)的波峰值集合{peak}和波谷值集合{trough}，将相邻两个波谷值之间的风电序列定义为一个波动过程{si}；

其次，在波峰值处将波动过程分为上升过程{srise}和下降部分{sfall}；

最后，根据历史风电序列的时间分辨率，得到体现风电波动时移特性的上升持续时间集合{trise}和下降持续时间集合{tfall}。

本发明的进一步改进在于，步骤s5所述的logistic函数的表达式为：

式中：x0为曲线初始值，l为曲线的最大值，k用于衡量曲线变化快慢，f(x)为对应时刻的风电出力值；

分别采用f(x)和f(-x)拟合风电波动过程的上升过程{srise}和下降过程{sfall}，得到拟合参数集合分别为波动幅度{l}、上升陡度{krise}和下降陡度{kfall}。

本发明的进一步改进在于，步骤s6所述的最优copula模型采用核密度估计法分别计算波动拟合参数集合{l}、{krise}、{kfall}以及波动时移参数集合{trise}、{trise}对应的边缘分布函数fxi(xi)；

采用分布函数理论值k(t)与估计值的距离作为最优copula模型的选择依据，距离表达式式为：

最后，采用基于em的极大似然估计法求解对应copula参数值，建立对应copula模型，模型表达式为：

式中：c表示copula函数，f表示联合分布函数，fx表示边缘分布函数，下标n表示变量个数。

本发明的进一步改进在于，步骤s7中，采用蒙特卡洛抽样方法从最优copula函数模型中抽取参数，构建所述多风电场的发电时序模拟场景pm(t)。

本发明的进一步改进在于，步骤s7具体包括：采用蒙特卡洛抽样法从参数集合中随机抽取波动幅度l、上升陡度krise、下降陡度kfal以及波动持续时间参数trise或tfall，带入所述的logistic函数的表达式中，逐点计算出力值，生成多个波动过程并顺次连接生成模拟低频趋势序列；

采用混合高斯函数拟合高频随机出力ph(t)的波动率分布，并生成对应的风电功率波动值随机数集合，完成所述多风电场的发电时序模拟场景pm(t)的构建；

混合高斯函数的表达式为：

式中：k为模型阶数，αj为高斯分量的加权系数，表示混合高斯模型中各成分出现的概率，μj、σj分别为第j个高斯分量的均值与标准差。

与现有技术相比，本发明具有以下有益效果：

目前已有的高斯函数拟合方法未能考虑风电波动过程的非对称性，本发明的考虑时空相关性和波动时移特性的多风电场发电时序模拟场景构建方法采用logistic函数分别拟合风电波动工程的上升和下降部分，能够准确获取风电波动的趋势信息。另外，传统建模方法并未考虑风电场波动的时移特性，本发明提出统计风电波动的持续时间，准确获取并结合了风电序列的时移特性，使得时序模型拥有更高的建模精度。最后，本发明针对不同的参数集合，选取最优copula函数模型来定量分析多风电场之间的相关性；该模型建立了新能源消纳能力关键影响因素与新能源实际出力的动态关联关系，可准确评估未来场景的新能源消纳能力。

进一步地，本发明在序列分解与重构方面采用自适应小波包分解算法，相比传统的固定分解尺度，该方法循环加深分解尺度，可确定最优分解层数，从而实现风电序列的自适应分解。

附图说明

图1为本发明实施例的一种考虑时空相关性和波动时移特性的多风电场发电时序模拟场景构建方法的流程示意框图；

图2为两风电场历史出力序列对比示意图；

图3为滤波后风电场历史趋势序列对比示意图；

图4为滤波后两风电场波动过程配对示意图；

图5为logistic函数曲线示意图；

图6为logistic与gauss函数拟合优度分布比较示意图；

图7为波动幅度l对应的gauss-copula函数概率密度示意图；

图8为参数krise和kfall对应的frank-copula函数概率密度示意图；图8(a)为上升陡度krise对应的frank-copula函数概率密度示意图，图8(b)为下降陡度kfall对应的frank-copula函数概率密度示意图；

图9为参数{trise}和{tfall}对应的gumbel-copula函数概率密度示意图；图9(a)为上升持续时间{trise}对应的gumbel-copula函数概率密度示意图，图9(b)为下降持续时间{tfall}对应的gumbel-copula函数概率密度示意图；

图10为生成的两风电场模拟低频序列对比示意图；

图11为叠加波动分量后两风电场模拟序列对比示意图；

图12为风电出力的pdf对比示意图；

图13为15min风电出力最大波动概率对比示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

请参阅图1，本发明的一种考虑时空相关性和波动时移特性的多风电场发电时序模拟场景构建方法，能够同时模拟多风电场历史出力的变化规律，为评估电力系统消纳新能源的能力提供准确的数据支持，具体包括以下步骤：

1、获取某区域多风电场历史出力数据，时间分辨率为15min；并采用最小最大值标准化对数据进行归一化处理，如式(1)所示。

式中，xi为数据的实际值，ximin为数据的最小值，ximax为数据的最大值，xi^*为归一化后的标准值。

2、采用自适应小波包分解算法，引入了最优基选择的概念，将频带经过多层次的划分之后，根据被分析信号的特征，自适应地选取最佳基函数，使之与信号相匹配，以提高信号的分析能力；利用多次叠代的小波转换分析输入序列的细节部分，对风电历史序列进行n层分解，得到相应的低频部分pl(t)和高频部分ph(t)，其中每个频段的带宽f0如式(2)所示；同时，以风电并入电网的波动标准对历史风电功率进行判断，如果满足则分解完成，如果不能满足要求则采用下一层小波对pn(t)进行n层小波包分解，并重构第n层2ⁿ个频段的功率分量，得到低频序列pl.0和高频序列ph.i，循环加深分解层数，即可确定最优分解层数n，从而实现风电序列的自适应分解，将风电历史功率数据pn(t)分解为低频趋势出力pl(t)和高频随机出力ph(t)两部分。

f0＝fs/2ⁿ⁺¹(2)

式中：fs为信号采样频率，n为小波包分解层数。

3、对不同风电场的低频趋势序列pl(t)进行波动配对分析；对比风电场之间各个波动过程，以两个风电场为例，将风电场一中的第i个波动记为风电场二中的第j个波动记为对应的波动过程公式如式(3)和(4)所示；若同时满足条件m2＜k1＜n2和m1＜k2＜n1，则波动和可实现配对，即若多风电场的波动峰值均处于对方波动过程内，则将这两个波动过程进行配对。

4、统计低频趋势序列pl(t)对应的波峰值集合{peak}和波谷值集合{trough}，将相邻两个波谷值之间的风电序列定义为一个风电波动过程{si}；其次，在波峰值处将波动过程分为波动上升过程{srise}和波动下降部分{sfall}；最后，根据风电历史数据时间分辨率可得到体现风电波动时移特性的上升持续时间集合{trise}和下降持续时间集合{tfall}。

5、采用logistic函数对配对的风电波动过程进行拟合，表达式如(5)所示。将风电波动过程在波峰处分为波动上升{srise}和下降过程{sfall}，分别采用f(x)和f(-x)拟合波动的上升和下降过程；得到拟合参数集合分别为波动幅度{l}、上升陡度{krise}、下降陡度{kfall}。

式中：x0为曲线初始值，l为曲线的最大值，k用来衡量曲线变化快慢，f(x)为对应时刻的风电出力值。

6、建立各参数对应的最优copula函数模型；首先，采用核密度估计法分别计算上述波动拟合参数集合{l}、{krise}、{kfall}以及波动时移参数集合{trise}、{tfall}对应的边缘分布函数fxi(xi)；其次，采用分布函数理论值k(t)与估计值的距离作为最优copula模型的选择依据，如式(6)所示；最后，采用基于em(expectation-maximization,em)的极大似然估计法求解对应copula参数值，建立对应copula模型，如式(7)所示。

式中：c代表copula函数，f代表联合分布函数，fxi代表各参数的边缘分布函数；

7、采用蒙特卡洛抽样法从logistic波动拟合参数中随机抽取波动幅度l、上升陡度krise和下降陡度kfall，同时抽取波动持续时间参数trise或tfall作为序列波动持续时间点数，带入式(5)中，逐点计算出力值，生成多个波动过程并顺次连接生成模拟低频趋势序列；最后，采用如式(8)所示的混合高斯函数拟合高频随机出力ph(t)的波动率，并随机生成对应混合高斯分布的风电功率波动值随机数集合，在已生成的模拟序列上逐点叠加波动量，完成风电场发电时序场景pm(t)的构建。

式中：k为模型阶数，αj为高斯分量的加权系数，表示混合高斯模型中各成分出现的概率，μj、σj分别为第j个高斯分量的均值与标准差。

对本发明的模型进行分析评价，验证模型的有效性。

采用person相关系数以及互相关函数对模拟风电出力模型进行评价，如式(9)和(10)所示；同时，检验模拟序列的出力概率分布特性(pdf)以及15min最大波动率特性，验证模型的有效性。

式中：n为样本大小，xi、yi为序列采样点，为采样数据均值；式(10)中：rxy(n)表示离散互相关函数，x、y为对应的离散序列。

本发明是一种考虑时空相关性和波动时移特性的多风电场发电时序模拟场景构建方法，研究多风电场之间的时空相关性，一方面，有利于提高多风电场出力短期预测的准确性，进而提高电网优化调度的准确性；另一方面，构建多风电场发电时序模拟场景，对电力系统中长期规划、年/月调度和安全稳定运行具有重要意义。首先，基于自适应小波包分解算法，将历史风电功率序列分解为低频趋势出力和高频随机出力两部分，实现风电序列的自适应分解，准确获取风电波动的趋势信息以及时移特性；其次，采用logistic函数分别拟合风电波动的上升和下降过程，解决了传统高斯函数在拟合不对称波动时存在的精度不足问题；同时，为计及风电波动时移特性，统计不同波动过程的上升和下降持续时间；通过核密度估计法得到不同参数的边缘分布函数，建立各参数对应的最优copula函数模型，最后，采用蒙特卡洛抽样方法生成风电场发电时序模拟场景。本发明的针对传统方法存在的不足，做出一系列改进，提升了建模的精度；建立了新能源消纳能力关键影响因素与新能源实际出力的动态关联关系，可准确评估未来场景的新能源消纳能力。

实施例

本发明实施例的一种风电场时序场景建模方法，主要包含以下几个步骤：

一、数据导入与预处理

以西北某省风电场风电功率数据为样本进行分析，数据采样时间间隔为15min，并做归一化处理，如图2所示。

二、自适应小波包分解算法与波动配对

序列分解重构的效果决定了最终时序场景的构建的好坏。经过大量的序列分解重构测试，本例最终选择了自适应小波包分解算法对序列进行滤波处理，利用多次叠代的小波转换分析输入序列的细节部分，对风电历史序列进行n层分解，得到相应的低频部分pl(t)和高频部分ph(t)，其中每个频段的带宽f0如式(1)所示；同时，以风电并入电网的波动标准对历史风电功率进行判断，循环加深分解层数，确定最优分解层数n，实现了风电序列的自适应分解，将风电历史功率数据pn(t)分解为低频趋势出力pl(t)和高频随机出力ph(t)两部分，如图3所示为风电场历史低频序列对比图。

f0＝fs/2ⁿ⁺¹(1)

式中：fs为信号采样频率，n为小波包分解层数。

对不同风电场的低频趋势序列pl(t)进行波动配对分析；对比风电场之间各个波动过程，将风电场一中的第i个波动记为风电场二中的第j个波动记为对应的波动过程公式如式(2)所示；若同时满足条件m2＜k1＜n2和m1＜k2＜n1，则波动和可实现配对，如图4所示为两风电场的波动配对图，可以发现，两个风电场时间相近的波动过程具有明显的相似性，风电场相关性较强。

三、风电时序特征提取

请参阅图5和图6，确定了风电的波动过程，便可采用本发明提出的logistic函数对配对的风电波动过程进行拟合，表达式如(3)所示。将风电波动过程在波峰处分为波动上升部分{srise}和下降部分{sfall}，分别采用f(x)和f(-x)拟合波动的上升和下降过程；得到拟合参数集合分别为波动幅度{l}、上升陡度{krise}、下降陡度{kfall}。

式中：x0为曲线初始值，l为曲线的最大值，k用来衡量曲线变化快慢，f(x)为对应时刻的风电出力值。

为了对比传统方法与本发明所提方法的效果，引入拟合优度的分布情况来判定。图6是logistic函数与guass函数的拟合优度对比；经统计计算，当采用logistic函数拟合波动过程时，91.78％的拟合确定系数在(0.9,1)区间，而采用传统gauss函数拟合波动过程时，85.70％的拟合确定系数在(0.9,1)区间，证明在拟合风电波动过程方面，logistic函数优于gauss函数；解决了传统高斯函数在拟合不对称波动时存在的精度不足问题。

同时，统计低频趋势序列pl(t)对应的波峰值集合{peak}和波谷值集合{trough}，在波峰值处将波动过程分为波动上升过程{srise}和波动下降部分{sfall}；最后，根据风电历史数据时间分辨率可得到体现风电波动时移特性的上升持续时间集合{trise}和下降持续时间集合{tfall}。

四、建立各参数的最优copula函数模型

该部分以上文所述波动拟合参数集合{l}、{krise}、{kfall}以及波动时移参数集合{trise}、{tfall}为例，建立对应的最优copula函数模型。首先，采用核密度估计法分别计算上述参数对应的边缘分布函数fxi(xi)；其次，采用分布函数理论值k(t)与估计值的距离作为最优copula模型的选择依据，如式(4)所示；最后，采用基于em的极大似然估计法求解对应copula参数值，建立对应copula模型，如图7至图9是不同参数对应的最优copula函数模型。

式(5)中：c代表copula函数，f代表联合分布函数，fxi代表各参数的边缘分布函数。

五、构建风电模拟时序场景pm(t)

最后，采用蒙特卡洛抽样法从logistic波动拟合参数中随机抽取波动幅度l、上升陡度krise和下降陡度kfall，同时抽取波动持续时间参数trise或tfall作为序列波动持续时间点数，带入式(5)中，逐点计算出力值，生成多个波动过程并顺次连接生成模拟低频趋势序列，如图10所示；最后，提出采用混合高斯函数拟合高频随机出力ph(t)的波动率，并随机生成对应混合高斯分布的风电功率波动值随机数集合，在已生成的模拟序列上逐点叠加波动量，完成风电场发电时序场景pm(t)的构建，如图11所示。

六、算例评价

采用person相关系数以及互相关函数对模拟风电出力模型进行评价，如表1和表2所示；可知，本发明方法所生成的时序场景的相关性更接近于历史序列，因此本发明方法效果优于传统方法。

概率密度函数(probabilitydensityfunction，pdf)是用来统计风电出力概率分布的重要指标。因此统计风功率模拟序列的概率分布十分必要。如图12所示，本发明方法生成的风电模拟数据与原始数据出力概率分布特性更加接近，验证了该方法较传统mcmc法所生成的模拟序列更接近于历史风电出力概率分布。

风电功率的波动性对电力系统的稳定安全运行至关重要，统计模拟序列的波动特性是评价建模方法优劣必不可少的环节。因此分别统计本发明方法以及传统mcmc法生成模拟序列的波动特性，如图13所示，可知本发明提出的建模方法所生成序列的波动特性更接近于历史风电功率，能很好的保持历史风电序列的波动特性。

综上所述，本发明的实施例提出的考虑时空相关性和波动时移特性的多风电场发电时序模拟场景构建方法，由于在序列分解与重构方面提出采用自适应小波包分解算法，相比传统的固定分解尺度，该方法循环加深分解尺度，可确定最优分解层数，从而实现风电序列的自适应分解。进一步的，已有的高斯函数拟合方法未能考虑风电波动过程的非对称性，而本发明提出采用logistic函数分别拟合风电波动工程的上升和下降部分，准确获取风电波动的趋势信息。同时，传统建模方法并未考虑风电场波动的时移特性，本发明提出统计风电波动的持续时间，准确获取并结合了风电序列的时移特性，使得时序模型拥有更高的建模精度。最后，提出针对不同的参数集合，选取最优copula函数模型来定量分析多风电场之间的相关性。该模型建立了新能源消纳能力关键影响因素与新能源实际出力的动态关联关系，可准确评估未来场景的新能源消纳能力。

以上所述，仅为本发明的具体实施方式，但本发明的应用范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的应用范围之内。因此，本发明的应用范围应该以权利要求的保护范围为准。